考虑设备动作损耗的配电网分布式电压无功优化(Matlab代码实现)

目录

1 部分复现

2 概述 

3 运行结果

4 Matlab代码实现 


1 部分复现

2 概述 

    从控制策略上电压无功控制主要分为全局控制和分散控制。其中全局控制策略是指由调度中心统一下发指令,例如文献通过求解一个全同性的优化问题集中控制配电网的电压无功设备。基于数据驱动方法实现配电网的统一无功优化。

      而分散控制是指不同电压无功控制设备协同优化,例如文献提出了两级协调控制模式以实现DG的分层优化。文献[2]利用一致性算法协调DG的有功无功出力,实现了配电网电压和功率的分布式协同优化。文献以无功补偿设备容量利用比为一致性变量,通过协同优化算法实现配电网电压无功优化控制。

3 运行结果

利用IEEE33测试节点算例说明二阶锥松弛的准确性

CPXPARAM_MIP_Display                             1
Tried aggregator 1 time.
QCP Presolve eliminated 9408 rows and 1704 columns.
Aggregator did 336 substitutions.
Reduced QCP has 7728 rows, 5712 columns, and 17808 nonzeros.
Reduced QCP has 768 quadratic constraints.
Presolve time = 0.01 sec. (6.80 ticks)
Parallel mode: using up to 16 threads for barrier.
Number of nonzeros in lower triangle of A*A' = 34104
Using Approximate Minimum Degree ordering
Total time for automatic ordering = 0.00 sec. (2.49 ticks)
Summary statistics for Cholesky factor:
  Threads                   = 16
  Rows in Factor            = 7728
  Integer space required    = 12264
  Total non-zeros in factor = 83880
  Total FP ops to factor    = 1017720
 Itn      Primal Obj        Dual Obj  Prim Inf Upper Inf  Dual Inf Inf Ratio
   0   3.0337406e+02  -7.6106781e-01  7.30e+03  0.00e+00  6.21e+03  1.00e+00
   1   3.0427107e+01   1.6560187e+00  7.30e+03  0.00e+00  6.21e+03  5.54e-01
   2   5.5432810e+00   2.6608161e-01  7.32e+02  0.00e+00  6.22e+02  2.69e+00
   3   8.5159524e-01  -9.6574600e-02  1.35e+02  0.00e+00  1.15e+02  1.50e+01
   4   1.4611180e-01  -6.8774608e-02  2.43e+01  0.00e+00  2.06e+01  6.92e+01
   5   5.7055442e-02  -8.7266983e-04  5.49e+00  0.00e+00  4.67e+00  3.22e+02
   6   2.8129625e-02   1.9071094e-02  1.46e+00  0.00e+00  1.24e+00  2.37e+03
   7   2.5320794e-02   2.3848906e-02  2.27e-01  0.00e+00  1.93e-01  1.82e+04
   8   2.5013002e-02   2.4772517e-02  3.65e-02  0.00e+00  3.11e-02  1.42e+05
   9   2.4971013e-02   2.4933730e-02  5.92e-03  0.00e+00  5.03e-03  1.32e+06
  10   2.4964786e-02   2.4958751e-02  9.10e-04  0.00e+00  7.74e-04  1.07e+07
  11   2.4963608e-02   2.4963505e-02  1.47e-04  0.00e+00  1.25e-04  1.63e+09
  12   2.4963589e-02   2.4963588e-02  2.48e-06  0.00e+00  2.11e-06  3.29e+11
时间已过 3.339317 秒。
​
Ploss_total =
​
    2.4964
​

 

4 Matlab代码实现 

%定义变量
U=sdpvar(33,24);%电压的平方
I=sdpvar(32,24);%电流的平方
P=sdpvar(32,24);%线路有功
Q=sdpvar(32,24);%线路无功
Pg=sdpvar(33,24);%发电机有功
Qg=sdpvar(33,24);%发电机无功
Pin=-father*P+father*(I.*(r*ones(1,24)))+son*P;%节点注入有功
Qin=-father*Q+father*(I.*(x*ones(1,24)))+son*Q;%节点注入无功
Ploss_total=sum(sum(I.*(r*ones(1,24))));%目标函数,网损最小
%约束条件
C1=[U>=Umin,U<=Umax,Pg>=-Pgmax,Pg<=Pgmax,Qg>=-Qgmax,Qg<=Qgmax];%电压边界
C1=[C1,I>=0,I<=0.11,P>=-0.11,P<=0.11,Q>=-0.11,Q<=0.11];%电流和功率边界
C2=[Pin+Pload-Pg==0];%有功KCL约束
C3=[Qin+Qload-Qg==0];%无功KCL约束
C4=[U(Line(:,2),:)==U(Line(:,1),:)-2*(r*ones(1,24)).*P-2*(x*ones(1,24)).*Q+((r.^2+x.^2)*ones(1,24)).*I];%电压降落约束
C5=[U(Line(:,1),:).*I>=P.^2+Q.^2];%二阶锥约束
C=[C1,C2,C3,C4,C5];
toc%建模时间
ops=sdpsettings('solver','cplex');
result=solvesdp(C,Ploss_total,ops);
toc%求解时间
Ploss_total=100*double(Ploss_total)
P=double(P);Q=double(Q);U=double(U);I=double(I);
error=P.^2+Q.^2-U(Line(:,1),:).*I;
boxplot(error')

%% 完整代码:

链接:https://pan.baidu.com/s/1PyoZmsbf26VU9zNLeDw0gw 
提取码:t5f9 
--来自百度网盘超级会员V2的分享

son(1,18)=1;son(2,22)=1;son(5,25)=1;son(33,1)=1;
Umax=[1.07*1.07*ones(32,24);1.05*1.05*ones(1,24)];
Umin=[0.93*0.93*ones(32,24);1.05*1.05*ones(1,24)];
Pgmax=[zeros(32,24);ones(1,24)];
Qgmax=[zeros(32,24);ones(1,24)]; 

  • 1
    点赞
  • 12
    收藏
    觉得还不错? 一键收藏
  • 6
    评论
### 回答1: 基于粒子群算法的配电网无功优化是一种常见的问题,通过优化无功功率的分配,可以有效提高配电网的功率因数、降低线路损耗、改善电压质量等。下面是一个基于粒子群算法的配电网无功优化MATLAB代码示例: ```matlab % 初始化粒子群算法参数 N = 30; % 粒子数量 D = 3; % 优化问题维度 T = 200; % 迭代次数 C1 = 2; % 学习因子1 C2 = 2; % 学习因子2 W = 0.6; % 惯性权重 % 初始化配电网数据 Pd = [10, 20, 30]; % 配电负荷有功功率 Qd = [5, 10, 15]; % 配电负荷无功功率 Smax = [20, 30, 40]; % 线路最大容量 % 初始化粒子位置和速度 X = rand(N, D) * diag(Smax); % 粒子位置,每个粒子的位置代表各个线路的无功功率 V = rand(N, D); % 粒子速度,每个粒子的速度代表各个线路的无功功率的变化速度 % 初始化最优位置和最优适应度值 Pbest = X; % 最优位置 Gbest = X(1, :); % 全局最优位置 fit_Pbest = zeros(N, 1); % 最优适应度值 % 迭代优化过程 for t = 1:T for i = 1:N % 计算当前位置的适应度值 fit_X = fitness(X(i, :), Pd, Qd); % 更新最优位置和最优适应度值 if fit_X < fit_Pbest(i) Pbest(i, :) = X(i, :); fit_Pbest(i) = fit_X; end % 更新全局最优位置 if fit_X < fitness(Gbest, Pd, Qd) Gbest = X(i, :); end % 更新粒子速度和位置 V(i, :) = W * V(i, :) + C1 * rand() * (Pbest(i, :) - X(i, :)) + C2 * rand() * (Gbest - X(i, :)); X(i, :) = X(i, :) + V(i, :); % 限制粒子位置的取值范围 X(i, :) = max(X(i, :), 0); X(i, :) = min(X(i, :), Smax); end end % 输出最优解 optimal_Q = Gbest; % 定义适应度函数 function fitness_value = fitness(Q, Pd, Qd) % 计算无功功率的误差 error = (Q - Qd).^2; % 计算总的适应度值 fitness_value = sum(error); end ``` 以上MATLAB代码实现了一个基于粒子群算法的配电网无功优化问题。其中,粒子群算法通过不断迭代更新粒子的速度和位置,以逐渐寻找到最优的无功功率分配方案。在每次迭代过程中,通过计算适应度函数的值,判断当前位置的优劣,并更新最优位置和全局最优位置。最终,输出全局最优位置即为最优的无功功率分配方案。 ### 回答2: 粒子群算法(Particle Swarm Optimization,PSO)是一种优化算法,可以用于解决配电网无功优化问题。下面是一个基于PSO的配电网无功优化MATLAB代码: ```matlab % 配电网无功优化的PSO算法 function [best_position, best_fitness] = pso_distribution_network_optimization() % 参数设置 n_particles = 50; % 粒子数目 n_variables = 10; % 变量数目 max_iteration = 100; % 最大迭代次数 c1 = 2; % 加速度常数1 c2 = 2; % 加速度常数2 w = 0.7; % 慢慢权重因子 % 初始化粒子位置和速度 positions = rand(n_particles, n_variables); % 随机初始化粒子位置 velocities = zeros(n_particles, n_variables); % 初始化粒子速度 % 初始化全局最优位置和适应度值 global_best_position = zeros(1, n_variables); global_best_fitness = Inf; % 迭代优化 for iteration = 1:max_iteration % 计算粒子适应度值 fitness_values = calculate_fitness(positions); % 更新全局最优位置和适应度值 [particle_best_fitness, index] = min(fitness_values); if particle_best_fitness < global_best_fitness global_best_fitness = particle_best_fitness; global_best_position = positions(index,:); end % 更新粒子速度和位置 for i = 1:n_particles r1 = rand(); r2 = rand(); velocities(i,:) = w * velocities(i,:) + c1 * r1 * (positions(i,:) - positions(index,:)) + c2 * r2 * (positions(i,:) - global_best_position); positions(i,:) = positions(i,:) + velocities(i,:); end end % 输出最优的位置和适应度值 best_position = global_best_position; best_fitness = global_best_fitness; end % 计算粒子适应度值的函数(根据具体问题定制) function fitness_values = calculate_fitness(positions) [n_particles, ~] = size(positions); fitness_values = zeros(n_particles, 1); % 初始化适应度值 for i = 1:n_particles % 根据粒子位置计算配电网无功值 % 根据具体问题,编写相应的计算无功值的代码 % 将计算得到的无功值作为适应度值 fitness_values(i) = calculated_reactive_power; end end ``` 以上是一个基于粒子群算法的配电网无功优化MATLAB代码。根据具体问题,你需要根据自己的实际情况,编写计算无功值的代码。 ### 回答3: 粒子群优化算法(Particle Swarm Optimization, PSO)是一种优化方法,模拟了鸟群觅食的行为,应用于各种优化问题中。在配电网中,无功优化是一个重要的问题,可以通过粒子群算法来解决。 无功优化是指在配电网中调节无功功率的分配,使得无功功率在各个节点上更加均衡,以提高电网的稳定性和效率。 以下是一个基于粒子群算法的无功优化MATLAB代码示例: ```matlab function [voltage, fitness] = PSO_optimization() % 设定变量和参数 nParticle = 20; % 粒子数 maxIter = 50; % 迭代次数 w = 0.8; % 惯性权重 c1 = 1; % 自身认知参数 c2 = 1; % 群体认知参数 % 配电网模型初始化 network = init_network(); % 初始化配电网模型 % 初始化粒子 particles = init_particles(nParticle, network); % 初始化粒子 % 初始化全局最优位置和适应度 gBestPosition = zeros(1, network.numNodes); gBestFitness = inf; % 迭代优化过程 for iter = 1:maxIter % 更新粒子的速度和位置 for i = 1:nParticle % 计算粒子的适应度 particles(i).fitness = calculate_fitness(particles(i).position, network); % 更新个体最优位置 if particles(i).fitness < particles(i).pBestFitness particles(i).pBestPosition = particles(i).position; particles(i).pBestFitness = particles(i).fitness; end % 更新全局最优位置 if particles(i).fitness < gBestFitness gBestPosition = particles(i).position; gBestFitness = particles(i).fitness; end % 更新粒子的速度和位置 particles(i).velocity = w*particles(i).velocity + c1*rand()*(particles(i).pBestPosition - particles(i).position) + c2*rand()*(gBestPosition - particles(i).position); particles(i).position = particles(i).position + particles(i).velocity; end end % 输出最优结果 voltage = gBestPosition; fitness = gBestFitness; end % 初始化配电网模型 function network = init_network() % 设定配电网参数 network.numNodes = 10; % 节点数 network.voltageLimit = 1.05; % 电压限制 % 更多其他参数的初始化 % 初始化节点信息 % 返回配电网模型 end % 初始化粒子 function particles = init_particles(nParticle, network) particles = struct(); for i = 1:nParticle particles(i).position = rand(1, network.numNodes)*network.voltageLimit; % 随机初始化无功功率值 particles(i).velocity = zeros(1, network.numNodes); % 初始化速度 particles(i).pBestPosition = particles(i).position; % 个体最优位置 particles(i).pBestFitness = calculate_fitness(particles(i).position, network); % 个体最优适应度 end end % 计算无功功率分配的适应度 function fitness = calculate_fitness(position, network) % 根据无功功率分配计算适应度,包括检查电压限制等 % 返回适应度值 end ``` 上述代码是一个基本的使用粒子群算法进行配电网无功优化的示例,具体的配电网模型和适应度函数需要根据实际问题进行设计和实现。由于篇幅限制,实际的代码中可能还包括其他功能和参数的定义和实现
评论 6
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值